UNIVERSIDAD AUTÓNOMA DEL CARMEN

DEPENDENCIA ACADÉMICA DE CIENCIAS QUÍMICAS Y

PETROLERAS

TRABAJO FINAL:
“GEOESTADÍSTICA Y SU APLICACIÓN EN LA
ADMINISTACIÓN INTEGRAL DE
YACIMIENTOS “

PRESENTA:
CARLOS GONZÁLEZ ANDRADE

PROGRAMA EDUCATIVO:
INGENIERÍA PETROLERA

CURSO:
ADMINISTRACIÓN INTEGRAL DE YACIMIENTOS

PROFESOR:
ING. JOHAN TAYIWER ROSALES ESPINA

CIUDAD DEL CARMEN, CAMPECHE

29 DE ENERO DE 2018
FACULTAD DE QUÍMICA
 GEOESTADÍSTICA Y SU APLICACIÓN
EN LA ADMINISTACIÓN INTEGRAL DE
YACIMIENTOS

Geoestadística Administración Integral de Yacimientos

 CONTENIDO

1. Introducción

2. Definición de Geoestadística
2.1. Variable Regionalizada
2.2. Definición de Kriging
2.2.1. El mejor estimador lineal insesgado

3. Aplicación en la Caracterización Dinámica de Yacimientos

3.1. Zonas Críticas de la Estimación
3.2. Presente de la Geoestadística

4. La Predicción del Campo Simpson Mediante la Inversión Geoestadística de Datos

Sísmicos. (CASO DE ESTUDIO)

5. Conclusión

Geoestadística Administración Integral de Yacimientos

 1. INTRODUCCIÓN
Habitualmente, la geoestadística se aplica durante la creación de modelos del subsuelo de
alta resolución de depósitos minerales o yacimientos de petróleo. Los datos se obtienen
sólo a partir de núcleos y registros de pozos (muestras de datos de alta resolución vertical
pero lateralmente infrecuentes) y de datos sísmicos de superficie (baja resolución vertical).
Los modelos de yacimientos derivados geoestadísticamente, si resultan exitosos, se utilizan
en simulaciones de yacimientos y para el manejo de yacimientos.
Actualmente, la geoestadística es un conjunto de técnicas usadas para analizar y predecir
valores de una propiedad distribuida en espacio o tiempo. En contraposición con la
estadística clásica o convencional, tales valores no se consideran independientes, por el
contrario, se suponen de manera implícita que están correlacionados unos con otros, es
decir que existe una dependencia espacial. Intuitivamente esto indica que mientras más
cercanos estén situados dos puntos están más correlacionados y mientras más separados
hay menos relación entre estos.
El proceso de estimación y modelación de la función que describe la correlación espacial es
conocido como “análisis estructural”. Una vez realizado el análisis estructural, la predicción
de valores en puntos no muéstrales se puede hacer aplicando la técnica de interpolación
"kriging" o simulándolos a través de “simulaciones condicionales”.
En resumen, a grosso modo un análisis geoestadístico está compuesto por tres etapas: (a)
el análisis exploratorio de los datos, (b) el análisis estructural y (c) las predicciones (kriging
o simulaciones). La primera etapa, conocida como análisis exploratorio de datos, está
basada en técnicas estadísticas convencionales que nos permiten obtener todo un conjunto
de información, desconocida a priori sobre la muestra bajo estudio, que es imprescindible
para realizar “correctamente” cualquier análisis estadístico y en particular un análisis
geoestadístico.

Geoestadística Administración Integral de Yacimientos

 2. DEFINICIÓN DE GEOESTADISTICA

La geoestadística es una rama de la estadística que trata fenómenos espaciales (Journel &
Huijbregts, 1978). Su interés primordial es la estimación, predicción y simulación de dichos
fenómenos (Myers, 1987). Esta herramienta ofrece una manera de describir la continuidad
espacial, que es un rasgo distintivo esencial de muchos fenómenos naturales, y proporciona
adaptaciones de las técnicas clásicas de regresión para tomar ventajas de esta continuidad
(Isaaks & Srivastava, 1989). Petitgas (1996), la define como una aplicación de la teoría de
probabilidades a la estimación estadística de variables espaciales.
La modelación espacial es la adición más reciente a la literatura estadística. Geología,
ciencias del suelo, agronomía, ingeniería forestal, astronomía, o cualquier disciplina que
trabaja con datos colectados en diferentes locaciones espaciales necesita desarrollar
modelos que indiquen cuando hay dependencia entre las medidas de los diferentes sitios.
Usualmente dicha modelación concierne con la predicción espacial, pero hay otras áreas
importantes como la simulación y el diseño muestral (Cressie, 1989).
Cuando el objetivo es hacer predicción, la geoestadística opera básicamente en dos etapas.
La primera es el análisis estructural, en la cual se describe la correlación entre puntos en el
espacio. En la segunda fase se hace predicción en sitios de la región no muestreados por
medio de la técnica kriging (capítulo 4). Este es un proceso que calcula un promedio
ponderado de las observaciones muéstrales. Los pesos asignados a los valores muéstrales
son apropiadamente determinados por la estructura espacial de correlación establecida en
la primera etapa y por la configuración de muestreo (Petitgas, 1996). Los fundamentos
básicos de estas etapas son presentados a continuación.

2.1. VARIABLE REGIONALIZADA

La geoestadística se define como el estudio de fenómenos regionalizados, es decir, que se
extienden en el espacio y presentan una cierta continuidad. Por “espacio”, entenderemos
en general el espacio geográfico, pero puede también tratarse del eje temporal o de
espacios más abstractos. El objeto sobre el cual trabajaremos será una descripción
matemática del fenómeno regionalizado, a saber, una o varias funciones numéricas
llamadas variables regionalizadas, que miden ciertas propiedades o atributos relacionados
con este fenómeno. Por ejemplo:

 La ley de un mineral, la potencia de una veta, la acumulación, la densidad de la roca

o la recuperación metalúrgica, describen un fenómeno de mineralización
 La porosidad y la permeabilidad de la roca en un reservorio de petróleo o en un
acuífero

Geoestadística Administración Integral de Yacimientos

  La concentración de un elemento contaminante en la atmósfera o en el suelo
 La altitud topográfica en un punto del espacio geográfico
 La conductividad eléctrica, el pH y la concentración en nutrientes medidas sobre una
muestra de suelo
 El número de árboles y su diámetro promedio en áreas de observación de un
bosque.

Del punto de vista conceptual, una variable regionalizada es una función determinística. En
general, esta función presenta dos aspectos complementarios: por una parte, tiene una
cierta “continuidad” espacial (zonas de altos valores / zonas de bajos valores), pero, por
otro lado, varía irregularmente y escapa a toda representación simple.

Noción de soporte
Una variable regionalizada puede definirse, no sólo en cada punto del espacio, sino que
también en una superficie (2D) o en un volumen (3D). La superficie o el volumen sobre el
cual se considera la variable regionalizada se denomina soporte.
En general, el soporte de las mediciones es muy pequeño (asimilado a un “punto”), mientras
que el que interesa en la práctica puede ser más voluminoso (por ejemplo, las unidades
selectivas de explotación en evaluación minera o las unidades de remediación en
contaminación de suelo). Esta noción es esencial debido a la dependencia que existe entre
el soporte y la distribución estadística de los valores, conocida como efecto de soporte: los
soportes voluminosos presentan una menor cantidad de valores extremos y una mayor
cantidad de valores intermedios que los soportes puntuales.
Así, la distribución de los valores (en especial, su varianza) depende del soporte sobre el
cual está definida la variable regionalizada. Este efecto queda ilustrado en la Figura 2, que
muestra la distribución de la ley de cobre en un yacimiento medida sobre tres soportes
distintos. Se observa que la forma del histograma tiende a simetrizarse cuando aumenta el
soporte y que la varianza disminuye, aunque se mantiene constante el valor promedio.

Geoestadística Administración Integral de Yacimientos

Datos y modelos
Normalmente, no se conoce la variable regionalizada en forma exhaustiva, sino que
solamente a través de un conjunto limitado de datos (muestras de sondajes en exploración
minera, observaciones en terreno en ingeniería forestal, mediciones realizadas en
estaciones de monitoreo en contaminación atmosférica, etc.). Para aprovechar la
información disponible, más allá de un simple reporte de los datos, será necesario construir
modelos. Pero debe tenerse presente que un modelo nunca describe la variable
regionalizada en su totalidad, sin simplificación, ni distorsión. El modelamiento y las
hipótesis que se requieren aportan mayor información que aquella contenida en los datos
experimentales. En consecuencia, conviene reducir al máximo la complejidad del modelo,
evitando introducir hipótesis o parámetros arbitrarios, que no se puede controlar
experimentalmente. Por el contrario, es necesario encontrar el modelo menos exigente que
permite resolver el problema planteado.

Los problemas de estimación

La “predicción” o “estimación” constituye un objetivo importante de la geoestadística.
Consiste en evaluar, de la manera más precisa posible, un valor que no ha sido medido, a
partir de los datos disponibles. Una característica de los métodos geoestadísticos será, no
sólo construir estimadores, sino también proporcionar una medida de la precisión de la
estimación por medio de herramientas probabilísticas (por ejemplo, varianzas o intervalos
de confianza...). Distinguiremos dos tipos de estimaciones: las estimaciones globales y las
estimaciones locales. La estimación global busca caracterizar el campo D completo por un
valor único (por ejemplo, la media de la variable regionalizada en estudio) o por una
distribución estadística (histograma). Es poco común que una estimación global sea
suficiente; frecuentemente, se requiere completarla con estimaciones locales. Por ejemplo
en un estudio de contaminación de suelo, no basta con evaluar la concentración promedio

Geoestadística Administración Integral de Yacimientos

en toda la zona de un elemento contaminante, sino que es necesario distinguir los sectores
fuertemente contaminados de aquellos que no lo están.
Por el contrario, las estimaciones locales se interesan por los diferentes sectores de la zona
de estudio. En general, se busca evaluar el valor en un sitio que no ha sido muestreado o el
valor promedio de un “bloque” cuyo soporte es mayor que el soporte de los datos. En este
problema, debe considerarse la continuidad espacial de la variable regionalizada, las
distancias entre el sector a estimar y los sitios con datos, así como la configuración espacial
de los mismos sitios con datos puesto que datos agrupados suelen tener valores parecidos,
constituyéndose en información redundante.
Otro aspecto de la estimación local es la cuantificación de la incertidumbre en los valores
de la variable regionalizada y la probabilidad de que estos valores superen o queden debajo
de ciertos límites. Por ejemplo, el agrónomo está interesado en conocer los sectores de una
parcela donde el pH es demasiado bajo, para poder abonarlos con cal y mejorar la fertilidad.
El medio-ambientalista quiere cuantificar el riesgo de que la concentración de un elemento
tóxico en el suelo supere un umbral crítico, de modo de poder tomar medidas de
remediación.
Al ingeniero de minas le interesa saber si las leyes de mineral son mayores que una ley de
corte que asegura la rentabilidad de la explotación minera, luego evaluar los tonelajes y
cantidades de metal que se puede extraer sobre esta ley de corte. Los problemas de
estimación no son los únicos a los que responde la geoestadística. El análisis de la
dependencia espacial permite describir la distribución de los valores en el espacio,
cuantificar las correlaciones o redundancias de información entre valores medidos en sitios
diferentes, determinar el tamaño de la “zona de influencia” de una observación, así como
detectar anisotropías que indican que la variable regionalizada tiene direcciones
preferenciales de continuidad en el espacio.

2.2. DEFINICIÓN DE KRINING

La palabra kriging (expresión anglosajona) procede del nombre del geólogo sudafricano D.
G. Krige, cuyos trabajos en la predicción de reservas de oro, realizados en la década del
cincuenta, suelen considerarse como pioneros en los métodos de interpolación espacial.
Kriging encierra un conjunto de métodos de predicción espacial que se fundamentan en la
minimización del error cuadrático medio de predicción. En la tabla 5 se mencionan los tipos
de kriging y algunas de sus propiedades. Una técnica estadística utilizada con variogramas,
o funciones estadísticas de dos puntos que describen el incremento de la diferencia o la
reducción de la correlación entre los valores muéstrales a medida que aumenta la
separación entre éstos, para determinar el valor de un punto en una cuadrícula
heterogénea a partir de valores adyacentes conocidos.

Geoestadística Administración Integral de Yacimientos

Un variograma es una función estadística de dos puntos que describe el incremento de las
diferencias o la disminución de la correlación, o la continuidad, entre los valores muéstrales
a medida que aumenta la separación entre éstos. El término variograma se utiliza a veces
de manera incorrecta en lugar de semivariograma. Ambos difieren únicamente en que el
semivariograma utiliza cada par de elementos de datos solamente una vez, en tanto que el
variograma emplea todos los pares de datos posibles. Los semivariograma se utilizan
generalmente en lugar de los variogramas, pero se reconoce que las direcciones de vectores
opuestos (por ejemplo, norte y sur) representan lo mismo y poseen idénticos rangos,
umbrales, puntos de efecto pepita, etc.

2.2.1. EL MEJOR ESTIMADOR LINEAL INSESGADO

El kriging es un término que ha sido acuñado para designar al "mejor estimador lineal
insesgado" de un punto y al mejor promedio lineal móvil ponderado de un bloque. Este
nombre apareció alrededor de 1960 para nombrar una técnica creada en Francia por
Matheron a partir de los trabajos de D. G. Krige quién fue probablemente el primero que
hizo uso de la correlación espacial y del mejor estimador lineal insesgado en el campo de la
evaluación de yacimientos minerales.
El kriging es una técnica de estimación local que ofrece el mejor estimador lineal insesgado
de una característica desconocida que se estudia. La limitación a la clase de estimadores
lineales es bastante natural ya que esto significa que solamente se requiere el conocimiento
del momento de segundo orden de la función aleatoria (la covarianza o el variograma) y
que en general en la práctica es posible inferir a partir de una realización de la misma.

Geoestadística Administración Integral de Yacimientos

 3. APLICACIÓN EN LA CARACTERIZACIÓN DINAMICA DE YACIMIENTOS
Los estudios que posibilita esta flamante disciplina, con apenas 30 años de existencia, se
generalizan actualmente a la hora de realizar nuevas perforaciones. La geoestadística es
una rama reciente de la matemática que, a diferencia de la estadística convencional, sirve
para cuantificar la incertidumbre y especificar la forma en que ésta varía en el espacio-
tiempo. Uno de sus campos de aplicación es la caracterización de reservorios, que involucra
un conjunto de métodos determinísticos y/o probabilísticos, cuyo objetivo es definir el
modelo más probable de un reservorio, con sus formas de cuerpos, heterogeneidades
petrofísicas, geometría estructural y caracterización paleoambiental.
Los yacimientos poseen pozos irregularmente distribuidos en función de cómo haya sido la
historia de su desarrollo. Cuando una empresa decide llevar adelante una tarea de
perforación necesita conocer qué chances va a tener de encontrar crudo y eso implica
minimizar las incertezas que se desprenden de la falta de homogeneidad de los cuerpos. De
esta forma, las posibilidades de hallar el recurso buscado aumentan o disminuyen según
cuáles sean las condiciones de porosidad y permeabilidad, entre otros factores. Ahí es
donde entra la geoestadística, por ser una herramienta que permite estimar en un punto
qué valor aproximado se va a tener de una determinada propiedad, y qué incertidumbre
asociada se tiene a esa estimación, que combinada con la geofísica de reservorio permite
integrar la información de pozos y el dato sísmico a fin de determinar nuevas locaciones
para drenar las zonas saturadas.
El primer paso es definir la correlación geológica de las capas o niveles productivos a través
de un modelo tridimensional de carácter discreto -en la medida en que permite disponer
sólo de datos puntuales- y parcial -porque únicamente se modelan la profundidad y el
espesor del evento correlacionado-. Para completar una descripción estática de reservorios
se calculan las propiedades petrofísicas promedio de cada capa o nivel a partir de los datos
de perfiles de pozo y de análisis de coronas y, finalmente, a través del grillado de los mapas
generados (estructura, espesor, espesor útil, porosidad, permeabilidad, etc.) se logra
ingresar a un simulador de reservorios y estudiar el comportamiento dinámico del modelo.
Sin embargo, para imponer continuidad en el modelo es necesario realizar un estudio de
prospección sísmica. Así se llegan a obtener dos tipos de datos: los duros o petrofísicos, de
resolución vertical, y los blandos, que implican un muestro areal denso.

“La técnica para integrar una variable dura, precisa, como es el dato del pozo, con una
variable blanda e imprecisa pero continua, como es la sísmica 3D, se conoce con el nombre
de Cokriging”. También llamada “Geoestadística Multivariada”, permite calcular la
distribución espacial de una o más variables mediante autocorrelaciones o correlaciones
cruzadas. Por su parte, el ‘Kriging’ es un método de interpolación lineal insesgado, de
mínima varianza y que recibe su nombre del especialista en minería sudafricano que
planteó por primera vez la necesidad de desarrollar esa rama de la matemática.

Geoestadística Administración Integral de Yacimientos

Hay una tercera técnica de análisis que se denomina Simulación Condicional y permite
analizar el reservorio en términos de probabilidades. Es decir, ya no me interesa tanto qué
valor voy a tener estimado en un punto sino en qué zona hay probabilidad de que haya un
valor mayor a determinado porcentaje de porosidad o de espesor.

3.1. ZONAS CRÍTICAS DE LA ESTIMACIÓN

Las técnicas geoestadísticas permiten integrar las superficies de atributos sísmicos a las
propiedades petrofísicas del yacimiento. Por ejemplo, si existe una buena correlación entre
la porosidad promedio y la amplitud mínima, es factible realizar un mapa de porosidad con
la resolución área de la amplitud sísmica mínima aprovechando la correlación espacial entre
ambas.

Para cada propiedad se construyen modelos de correlación espacial o variogramas, y con

ellos se logra integrar estadísticamente los dos juegos de datos, ya sea por medio de
técnicas de estimación (Kriging/Cokriging) o de simulación (Simulación o Cosimulación
Condicional).

El resultado es una superficie de una propiedad del yacimiento que representa los valores
del pozo y el sistema de correlación espacial. Esas superficies constituyen un modelo
geológico tridimensional ‘continuo’ y completo. “Sin embargo, para algunos simuladores,
es necesario ingresar con un análisis volumétrico”, agrega el consultor.

Dos momentos centrales del proceso son los de recolección de datos y de normalización de
la información. Del mismo modo hay que atender a las particularidades propias de cada
yacimiento. No es lo mismo trabajar un reservorio carbonático que un reservorio clástico.
Si bien la técnica de geoestadística se aplica en ambos casos de la misma manera, las
características propias de cada reservorio se reflejan, por ejemplo, en el tipo de atributos
sísmicos que se van a emplear.

3.2. EL PRESENTE DE LA GEOESTADÍSTICA

Al día de hoy prácticamente todas las empresas petroleras han realizado al menos un
trabajo de caracterización de reservorios a partir de las técnicas de la geoestadística por la
sencilla razón de que las trampas convencionales ya están todas explotadas y ahora
comienza la exploración en áreas más complejas. El esquema más simple siempre ha sido
la trampa estructural, el anticlinal, el domo. Ahora es el tiempo de las estratigráficas, donde
la heterogeneidad del reservorio es la que indica el lugar en que se acumula el hidrocarburo.

Geoestadística Administración Integral de Yacimientos

 4. LA PREDICCIÓN DEL CAMPO SIMPSON MEDIANTE LA INVERSIÓN
GEOESTADÍSTICA DE DATOS SÍSMICOS
El campo de Simpson se acerca al agotamiento. La mayor parte de los pozos de producción
muestran relativamente cortes de agua. Basado en un mapa volumétrico y la perforación
de pozos cercanos al campo, algunas reservas permanecen en el campo dentro de
categorías separados por barreras de lutitas de baja permeabilidad. El desafío de este
artículo fue establecer una metodología para identificar estas categorías y cuantificar el
petróleo remanente.
La zona de depósito tiene tres tipos de litología distintos: arenisca saturada por petróleo,
arenisca saturada por agua y lutita. Las lutitas encontradas en los pozos tienen un grosor
típico de menos de 3 m, considerablemente debajo de la resolución sísmica. Sin embargo,
estos tipos de litología muestran buena separación estadística de propiedades elásticas (por
ejemplo, PImpedance y Vp/Vs), la geoestadística puede ser usada para predecir las barreras
de lutita relativamente delgadas.
La inversión geoestadística está basada en la Inferencia Bayesian y usa el método de Monte
Carlo al azar para probar la probable distribución que proviene de todas las creencias o
conocimientos de entrada. El resultado final es una múltiple propiedad elástica y
realizaciones de litotipos. El análisis de la salida permitió obtener cálculos volumétricos y la
identificación de barreras de lutitas probables.

La arenisca de bandera es compleja, donde una serie de campos petróleo y de gas han sido
descubiertas en la arenisca de bandera. El yacimiento es principalmente arena con un
porcentaje relativamente bajo de lutita (aproximadamente de 5-10 %). La orientación de
las lutitas es incierta debido a la naturaleza del flujo de masas de deposición de la arenisca
de bandera y podría bajar en cualquier dirección según la ubicación respecto a los canales
principales. El flujo de trabajo de inversión geoestadística consiste en tres partes:
construcción de un modelo geológico, modelado de las características existente de los datos
de los pozos, y ejecución la inversión en una manera iterativa para optimizar todos los
parámetros.

El proceso de construcción del modelo se propone para reducir al mínimo un poco la

incertidumbre, que a menudo implica el empleo de una inversión determinista. Ya que la
arenisca bandera modela los objetivos que eran refinar la interpretación de bandera
superior o tope (claramente definido sobre Vp/Vs) y obligar el contacto del petróleo de agua
basado en consideraciones de cierre estructurales. La incertidumbre restante está con la
posición de lutitas dentro del yacimiento, así se hace el foco principal de la inversión
geoestadística.

Geoestadística Administración Integral de Yacimientos

La inversión geoestadística está basada en la Inferencia Bayesian. El método de Inferencia
Bayesian para integrar múltiples fuentes de datos dispares en una manera imparcial confía
en la expresión de toda la entrada como probable. Estas creencias pueden tomar una
variedad de formas incluyendo gamas de variogramas, probabilidades de litotipos,
funciones de densidad multivariante, entre otros.

Tomado individualmente, estas creencias no proporcionan bastante información para

generar los modelos detallados y realistas del yacimiento. Ninguno de estos es
necesariamente perfecto, pero dan una representación intuitiva y realista de la
incertidumbre subyacente asociada con el yacimiento.

En la Figura 1, la separación de arenisca y lutita es mostrada en un crossplot de P-

impedancia y Vp/Vs para pozos en el área de estudio. Es claro que la arenisca y lutitas no se
separan basado en la P-impedancia, solo la separación es clara si la P-impedancia y Vp/Vs
son tomados en cuenta conjuntamente.

Figura 1. Separación de arenisca de bandera litotipos basado en propiedades elásticas P-

impedancia y Vp/Vs.

Uno de los motivos fundamentales de aplicar una inversión geoestadística es obtener el

mayor detalle que lo que puede ser obtenido usando por ejemplo en una inversión
determinista. Muestran este aumento detalladamente en la Figura 2, en la cual la P-
impedancia de una inversión determinista es comparada a una realización sola de P-
impedancia de la inversión geoestadística.

Geoestadística Administración Integral de Yacimientos

Figura 2. La comparación de P-impedancia detalla de la inversión geoestadística (superior)
con una inversión determinista (inferior) para una línea arbitraria en 8 pozos. Los rasgos de
escala son grandes y similares, pero los resultados de inversión geoestadística son más
agudos, más realistas y contienen mucho más detalle.
La respuesta de la inversión consiste en múltiples juegos de propiedades elásticas y
arenisca/lutita. Un ejemplo en la figura 3, que claramente muestra la importancia del tope
y del contacto de los horizontes y del petróleo- agua.
El modelado del yacimiento con la lutita en un contexto de inversión geoestadística tiene
dos ventajas significativas: el cálculo volumétrico puede ser estimado con la alta exactitud,
y la posibilidad de predecir la presencia de las barreras de lutitas que pueden categorizar el
yacimiento.

Figura 3. Un ejemplo la realización de inversión geoestadística que consiste en la P-

impedancia (superior), Vp/Vs (medio) y litología (inferior), con registro de los pozos
asociados.

Un acercamiento tradicional para el cálculo volumétrico en un campo con un control

relativamente denso de los pozos consiste en hacer un promedio. Esto puede ser aceptable
para casos en los cuales los pozos son representativos del yacimiento entero, pero tal
condición no necesariamente es encontrada en la arenisca bandera donde los pozos han

Geoestadística Administración Integral de Yacimientos

sido perforados sobre la cresta de las estructuras y pocos pozos han sido perforados cerca
de las franjas de canal.

Con una inversión geoestadística, las realizaciones cumplen las variaciones en amplitudes
sísmicas lejos del control de pozos, entonces los cambios cerca de las franjas de la estructura
fueron incorporados al modelo total. En un resumen de los resultados de inversión
geoestadística en la figura 4 muestra una comparación del cálculo volumétrico usando sólo
los pozos contra el calculado de las realizaciones de inversión en la tabla 1.

Figura 4.
Volumen basado en análisis de pozos= 8.3×106 m3
Volumen de la inversión geoestadística= 7.4×106 m3

Ellos concluyen finalmente que la separación estadística de las litologías basado en

propiedades elásticas proporciona el potencial para identificar capas delgadas (debajo de
la resolución estándar sísmica).
Y muestra que para un yacimiento de arena la identificación de lutitas probables
intercaladas permite para cómputos exactos volumétricos y la predicción de
compartimentos de yacimiento y potencial petróleo remanente. La ventaja clave es usar
una metodología de inversión Bayesian para la integración imparcial de todos los datos
disponibles para levantar un juego de respuestas.

Geoestadística Administración Integral de Yacimientos

 5. CONCLUSIÓN
Una de las ayudas más significativas que puede ofrecer la herramienta geoestadística en los
estudios de ingeniería de yacimientos, es sin duda alguna la manera en que se puede
manejar la información que usualmente se trabaja en dicho tipo de estudios
(permeabilidad, porosidad, etc.).

La geoestadística aplicada en la administración integral de yacimientos nos es muy útil para

una mejor estimación de las propiedades en todo el yacimiento, con un mejor modelado
geofísico, una simulación más precisa, que terminará ayudándonos en una mejor
planeación de la producción de nuestro yacimiento. La geoestadística es crucial para el
geomodelado. No se debe distinguir entre simulación geoestadística o estimación como dos
procedimientos que se contradicen, aunque sus objetivos son diferentes, pero
dependiendo de los intereses particulares en una aplicación o investigación se deben usar
como dos alternativas que complementan un estudio: la simulación geoestadística para
obtener una representación del fenómeno en forma general y la estimación para obtener
el mejor valor estimado en cualquier localización puntual o de bloque.

Geoestadística Administración Integral de Yacimientos